CN109598737A - 一种图像边缘识别方法及系统 - Google Patents
一种图像边缘识别方法及系统 Download PDFInfo
- Publication number
- CN109598737A CN109598737A CN201811471131.2A CN201811471131A CN109598737A CN 109598737 A CN109598737 A CN 109598737A CN 201811471131 A CN201811471131 A CN 201811471131A CN 109598737 A CN109598737 A CN 109598737A
- Authority
- CN
- China
- Prior art keywords
- image
- main body
- obtains
- pending
- angles
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像边缘识别方法及系统,该方法包括:步骤S1,获取各种主体多个不同角度的图像,通过反复训练查找出针对各个不同主体的各个角度图像中的有显著规律的深浅色块组合,得到每个主体各个角度对应的训练集模型;步骤S2,获取待进行边缘识别的图像,并对其进行灰度处理;步骤S3,提取图像的特征点,获得图像中有显著规律的深浅色块组合,比对训练集模型,判断图像中包含的主体的角度;步骤S4,根据图像中主体的角度,比对训练集模型中对应主体角度的训练集模型,实现边缘识别,本发明通过分析各类物品主体各个角度的图像中稳定的特征点组合从中心开始查找出图像中具有与同类物品稳定特征点一致的图像区域,从而实现边缘提取。
Description
技术领域
本发明涉及图象识别处理技术领域,特别是涉及一种图像边缘识别方法及系统。
背景技术
边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化,这些包括深度上的不连续、表面方向不连续、物质属性变化和场景照明变化,边缘检测是图像处理和计算机视觉中,尤其是特征提取中的一个研究领域,边缘是指其周围像素灰度急剧变化的那些象素的集合,它是图像最基本的特征,边缘存在于目标、背景和区域之间,所以,它是图像分割所依赖的最重要的依据。由于边缘是位置的标志,对灰度的变化不敏感,因此,边缘也是图像匹配的重要的特征。
现有技术中有许多用于边缘检测的方法,大致可分为两类:基于搜索和基于零交叉。
基于搜索的边缘检测方法首先计算边缘强度,通常用一阶导数表示,例如梯度模,然后,用计算估计边缘的局部方向,通常采用梯度的方向,并利用此方向找到局部梯度模的最大值;基于零交叉的方法找到由图像得到的二阶导数的零交叉点来定位边缘,通常用拉普拉斯算子或非线性微分方程得到零交叉点。
然而,传统的图像边缘检测方法均存在抗噪性能不强和边缘不连续的弊端,导致检测效果不佳。
发明内容
为克服上述现有技术存在的不足,本发明之目的在于提供一种图像边缘识别方法及系统,以通过分析各类物品主体各个角度的图像中稳定的特征点组合从中心开始查找出图像中具有与同类物品稳定特征点一致的图像区域,从而实现边缘提取。
为达上述及其它目的,本发明提出一种图像边缘识别方法,包括如下步骤:
步骤S1,获取各种主体多个不同角度的图像,通过反复训练,查找出针对各个不同主体的各个角度图像中的有显著规律的深浅色块组合,得到每个主体各个角度对应的训练集模型;
步骤S2,获取待进行边缘识别的图像,并对其进行灰度处理;
步骤S3,提取待进行边缘识别的图像的特征点,获得待进行边缘识别的图像中有显著规律的深浅色块组合,比对训练集模型,判断待进行边缘识别的图像中包含的主体的角度;
步骤S4,根据待进行边缘识别的图像中主体的角度,比对训练集模型中对应主体角度的训练集模型,实现边缘识别。
优选地,于步骤S4中,根据比对结果,从所述待进行边缘识别的图像中主体部分的中心开始向边缘扩散,依次查找出具有显著特征的、互相连接的主体物各部分图像对应的深浅色块组合区域,建立连接网,最后根据连接网网状结构最外层区块的边缘并集,得到所述待进行边缘识别的图像中包含的整个主体物的边缘。
优选地,步骤S1进一步包括:
步骤S100,获取各种主体多个不同角度的图像,并使得图像中的主体部分处于图像的中间;
步骤S101,对获得的图像进行灰度处理,获得各图像的灰度图,从而得到主体各个角度图像的深浅不同的颜色块;
步骤S102,通过反复训练,获得针对各个不同主体的各个角度图像中的有显著规律的深浅色块组合,进而得到每个主体各个角度的对应的训练集模型。
优选地,步骤S102进一步包括:
步骤S102a,从图像的中心点开始,逐步向边缘扩散进行查找,查找出该图像中主体各部分对应的深浅色块组合是整体连接的区域,得到主体各部分对应的深浅色块组合组成的连接网;
步骤S102b,对多张不同的同类主体的图像得到的多个连接网进行分析比较,通过反复训练查找出其中深浅色块组合区域组成的连接网中稳定的特征点进行保留并存储,得到该类主体对应角度的模型;
步骤S102c,根据步骤S102a与步骤S102b,通过反复训练得到每一种主体的每个角度的学习训练集模型。
优选地,于步骤S100中,通过拍摄设备获得各种主体的多个不同角度的图像,并对获得的图像进行裁切或者拍摄时使得主体部分处于图像的中间。
优选地,于步骤S101中,所述灰度处理可采用如下灰度处理加权平均法公式:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
其中,i、j代表一个像素点在二维空间向量的位置,即第i行,第j列。
为达到上述目的,本发明还提供一种图像边缘识别系统,包括:
训练集模型建立单元,用于获取各种主体多个不同角度的图像,通过反复训练,查找出针对各个不同主体的各个角度图像中的有显著规律的深浅色块组合,得到每个主体各个角度对应的训练集模型;
待进行边缘识别图像获取处理单元,用于获取待进行边缘识别的图像,并对其进行灰度处理;
角度确定单元,用于提取待进行边缘识别的图像的特征点,获得待进行边缘识别的图像中有显著规律的深浅色块组合,比对训练集模型,判断待进行边缘识别的图像中包含的主体的正侧面角度;
边缘识别单元,用于根据待进行边缘识别的图像中主体的角度,比对训练集模型中对应主体角度的训练集模型,实现边缘识别。
优选地,所述边缘识别单元根据比对结果,从所述待进行边缘识别的图像中主体部分的中心开始向边缘扩散,依次查找出具有显著特征的、互相连接的主体物各部分图像对应的深浅色块组合区域,建立连接网,最后根据连接网网状结构最外层区块的边缘并集,得到所述待进行边缘识别的图像中包含的整个主体物的边缘。
优选地,所述训练集模型建立单元进一步包括:
图像获取单元,用于获取各种主体多个不同角度的图像,并使得图像中的主体部分处于图像的中间;
灰度处理单元,用于对获得的图像进行灰度处理,获得各图像的灰度图,从而得到主体各个角度图像的深浅不同的颜色块;
训练集模型训练获取单元,用于通过反复训练,获得针对各个不同主体的各个角度图像中的有显著规律的深浅色块组合,进而得到每个主体各个角度的对应的训练集模型。
优选地,所述训练集模型训练获取单元具体用于:
从图像的中心点开始,逐步向边缘扩散进行查找,查找出该图像中主体各部分对应的深浅色块组合是整体连接的区域,得到主体各部分对应的深浅色块组合组成的连接网;
对多张不同的同类主体的图像得到的多个连接网进行分析比较,通过反复训练查找出其中深浅色块组合区域组成的连接网中稳定的特征点进行保留并存储,得到该主体对应角度的模型;
根据上述方法,通过反复训练得到每一种主体的每个角度的学习训练集模型。
与现有技术相比,本发明一种图像边缘识别方法及系统通过分析各类主体各个角度的图像中稳定的特征点组合从中心开始查找出图像中具有与同类主体稳定特征点一致的图像区域,从而实现边缘提取。
附图说明
图1为本发明一种图像边缘识别方法的步骤流程图;
图2为本发明具体实施例中步骤S1的细部流程图;
图3为本发明具体实施例中步骤S102的细部流程图
图4为本发明一种图像边缘识别系统的系统架构图;
图5为本发明具体实施例中训练集模型建立单元的细部结构图。
具体实施方式
以下通过特定的具体实例并结合附图说明本发明的实施方式,本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用,本说明书中的各项细节亦可基于不同观点与应用,在不背离本发明的精神下进行各种修饰与变更。
图1为本发明一种图像边缘识别方法的步骤流程图。如图1所示,本发明一种图像边缘识别方法,包括如下步骤:
步骤S1,获取各种主体多个不同角度的图像,通过反复训练,查找出针对各个不同主体的各个角度图像中有显著规律的深浅色块组合,得到每个主体各个角度对应的训练集模型。这里的主体可以是各种物品,也可以是人或动物,以主体为人脸为例,不同角度的图像可以是人脸的正面图像、侧面图像等,即获得多个人脸的正面图像以及侧面图像,并经过反复训练,查找出针对人脸的正面图像和侧面图像中有显著规律的深浅色块组合,分别得到人脸正面和侧面高两个角度对应的训练集模型。
具体地,如图2所示,步骤S1进一步包括:
步骤S100,获取各种主体多个不同角度的图像,并使得图像中的主体部分处于图像的中间。在本发明具体实施例中,可通过拍摄设备,如摄像头拍照,获得各种主体,如各种物品、人、动物等的多个不同角度的图像,对获得的图像进行裁切或者拍摄时使得主体部分处于图像的中间。需要注意的是,每一个主体(如物品、人或动物)都需要获得多个不同角度的图像,且该主体最好处于图像的正中间。
步骤S101,对获得的图像进行灰度处理,获得各图像的灰度图,从而得到主体各个角度图像的深浅不同的颜色块。
在本发明具体实施例中,灰度处理可采用如下灰度处理加权平均法公式:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
其中,i、j代表一个像素点在二维空间向量的位置,即:第i行,第j列,R、G、B分别代表对应像素点的红色分量、蓝色分量以及绿色分量,具体地,灰度处理单元402可根据上述公式,依次对各图像中的每个像素点计算灰度值,灰度值的取值范围为0-255,也就是说,通过上述公式使得各像素点的灰度值的在0至255之间,灰呈现黑、白、灰三种颜色状态,使图像都呈现黑白灰状态,进而实现灰度处理。本发明通过将获得图像先进行灰度化处理,使得图像只剩下灰度值,可以极大地提高后续图像的处理效率。
步骤S102,通过反复训练,获得针对各个不同主体的各个角度图像中有显著规律的深浅色块组合,进而得到每个主体各个角度对应的训练集模型,也就是说,每个主体每个角度都要通过学习训练集来建立对应的训练集模型。如图3所示,步骤S102进一步包括:
步骤S102a,从图像的中心点开始,逐步向边缘扩散进行查找,查找出该图像中主体各部分对应的深浅色块组合是整体连接的区域,得到主体各部分对应的深浅色块组合组成的连接网。以主体为人脸的人脸部图像为例,如从中心点为鼻子部分对应的深浅色块的组合区域开始,逐步向外扩散,查找到与鼻子连接的眼睛、嘴巴对应的深浅色块的组合区域,再逐步向外扩散查找眉毛、下巴、耳朵等相互连接的面部五官区域对应的深浅色块的组合区域,最后得到一张面部各个五官对应的深浅色块组合组成的连接网;
步骤S102b,对多张不同的同类主体的图像得到的多个连接网进行分析比较,通过反复训练查找出其中深浅色块组合区域组成的连接网中稳定的特征点进行保留并存储,得到该类主体对应角度的模型。以主体为人脸的人脸部图像为例,根据多张不同人的面部图像得到多个连接网后进行分析比较,通过反复训练查找出其中深浅色块组合区域组成的连接网中稳定的特征点进行保留并存储,得到面部对应角度的模型。
步骤S102c,根据步骤S102a与步骤S102b,通过反复训练得到每一种主体的每个角度的学习训练集模型,即如为人脸,则包括正面、侧面2个角度的两个训练集模型,每个角度都训练一个模型。
步骤S2,获取待进行边缘识别的图像,并对其进行灰度处理,在本发明具体实施例中,与步骤S101一样使用灰度加权平均法公式对待进行边缘识别图像进行灰度处理。
步骤S3,提取待进行边缘识别的图像的特征点,获得待进行边缘识别的图像中有显著规律的深浅色块组合,比对训练集模型,判断待进行边缘识别的图像中包含的主体的正侧面角度。
步骤S4,根据待进行边缘识别的图像中主体的角度,比对训练集模型中对应主体角度的训练集模型,实现边缘识别。具体地,于步骤S4中,根据比对结果,从待进行边缘识别的图像中主体部分的中心开始向边缘扩散,依次查找出具有显著特征的、互相连接的主体物各部分图像对应的深浅色块组合区域,建立连接网,最后根据连接网网状结构最外层区块的边缘并集,得到图像中包含的整个主体物的边缘。
图4为本发明一种图像边缘识别系统的系统架构图。如图4所示,本发明一种图像边缘识别系统,包括:
训练集模型建立单元40,用于获取各种主体多个不同角度的图像,通过反复训练,查找出针对各个不同主体的各个角度图像中有显著规律的深浅色块组合,得到每个主体各个角度对应的训练集模型。
具体地,如图5所示,训练集模型建立单元40进一步包括:
图像获取单元401,用于获取各种主体多个不同角度的图像,并使得图像中的主体部分处于图像的中间。在本发明具体实施例中,图像获取单元401可采用拍摄设备,如摄像头拍照,获得各种主体,如各种物品、人、动物等的多个不同角度的图像,并对获得的图像进行裁切或者拍摄时使得主体部分处于图像的中间。需要注意的是,每一个主体(如物品、人或动物)都需要获得多个不同角度的图像,且该主体最好处于图像的正中间。
灰度处理单元402,用于对获得的图像进行灰度处理,获得各图像的灰度图,从而得到主体各个角度图像的深浅不同的颜色块。
在本发明具体实施例中,灰度处理单元402的灰度处理可采用如下灰度处理加权平均法公式:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
其中,i、j代表一个像素点在二维空间向量的位置,即:第i行,第j列,R、G、B分别代表对应像素点的红色分量、蓝色分量以及绿色分量,具体地,灰度处理单元402可根据上述公式,依次对各图像中的每个像素点计算灰度值,灰度值的取值范围为0-255,也就是说,通过上述公式使得各像素点的灰度值的在0至255之间,灰呈现黑、白、灰三种颜色状态,使图像都呈现黑白灰状态,进而实现灰度处理。本发明通过将获得图像先进行灰度化处理,使得图像只剩下灰度值,可以极大地提高后续图像的处理效率。
训练集模型训练获取单元403,用于通过反复训练,获得针对各个不同主体的各个角度图像中有显著规律的深浅色块组合,进而得到每个主体各个角度的对应的训练集模型,也就是说,每个主体每个角度都要通过学习训练集来建立对应的训练集模型。具体地,训练集模型训练获取单元403具体用于:
从图像的中心点开始,逐步向边缘扩散进行查找,查找出主体各部分对应的深浅色块组合是整体连接的区域,得到主体各部分对应的深浅色块组合组成的连接网。以主体为人脸的人脸部图像为例,如从中心点为鼻子部分对应的深浅色块的组合区域开始,逐步向外扩散,查找到与鼻子连接的眼睛、嘴巴对应的深浅色块的组合区域,再逐步向外扩散查找眉毛、下巴、耳朵等相互连接的面部五官区域对应的深浅色块的组合区域,最后得到一张面部各个五官对应的深浅色块组合组成的连接网;
对多张不同的同类主体的图像得到的多个连接网进行分析比较,通过反复训练查找出其中深浅色块组合区域组成的连接网中稳定的特征点进行保留并存储,得到该主体对应角度的模型。以主体为人脸的人脸部图像为例,根据多张不同人的面部图像得到多个连接网后进行分析比较,通过反复训练查找出其中深浅色块组合区域组成的连接网中稳定的特征点进行保留并存储,得到面部对应角度的模型。
这样根据上述过程,通过反复训练可以得到每一种主体的每个角度的学习训练集模型,即如为人脸,则包括正面、侧面2个角度的两个训练集模型,每个角度都训练一个模型。
待进行边缘识别图像获取处理单元41,用于获取待进行边缘识别的图像,并对其进行灰度处理,在本发明具体实施例中,与灰度处理单元202一样使用灰度加权平均法公式对待进行边缘识别图像进行灰度处理,在此不予赘述。
角度确定单元42,用于提取待进行边缘识别的图像的特征点,获得待进行边缘识别的图像中有显著规律的深浅色块组合,比对训练集模型,判断待进行边缘识别的图像中包含的主体的正侧面角度。
边缘识别单元43,用于根据待进行边缘识别的图像中主体的角度,比对训练集模型中对应主体角度的训练集模型,实现边缘识别。具体地,边缘识别单元23根据比对结果,从待进行边缘识别的图像中主体部分的中心开始向边缘扩散,依次查找出具有显著特征的、互相连接的主体物各部分图像对应的深浅色块组合区域,建立连接网,最后根据连接网网状结构最外层区块的边缘并集,得到图像中包含的整个主体物的边缘。
综上所述,本发明一种图像边缘识别方法及系统通过分析各类主体各个角度的图像中稳定的特征点组合从中心开始查找出图像中具有与同类主体稳定特征点一致的图像区域,从而实现边缘提取。本发明更适用于对图像中包含的主体物各组成部分是互相连接的一个整体的对象,进行主体边缘提取从而进行主体物的抠图处理,其边缘提取效果好,可以应用在很多照片艺术效果处理的前期主体物提取步骤中。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下,对上述实施例进行修饰与改变。因此,本发明的权利保护范围,应如权利要求书所列。
Claims (10)
1.一种图像边缘识别方法,包括如下步骤:
步骤S1,获取各种主体多个不同角度的图像,通过反复训练,查找出针对各个不同主体的各个角度图像中的有显著规律的深浅色块组合,得到每个主体各个角度对应的训练集模型;
步骤S2,获取待进行边缘识别的图像,并对其进行灰度处理;
步骤S3,提取待进行边缘识别的图像的特征点,获得待进行边缘识别的图像中有显著规律的深浅色块组合,比对训练集模型,判断待进行边缘识别的图像中包含的主体的角度;
步骤S4,根据待进行边缘识别的图像中主体的角度,比对训练集模型中对应主体角度的训练集模型,实现边缘识别。
2.如权利要求1所述的一种图像边缘识别方法,其特征在于,于步骤S4中,根据比对结果,从所述待进行边缘识别的图像中主体部分的中心开始向边缘扩散,依次查找出具有显著特征的、互相连接的主体物各部分图像对应的深浅色块组合区域,建立连接网,最后根据连接网网状结构最外层区块的边缘并集,得到所述待进行边缘识别的图像中包含的整个主体物的边缘。
3.如权利要求2所述的一种图像边缘识别方法,其特征在于,步骤S1进一步包括:
步骤S100,获取各种主体多个不同角度的图像,并使得图像中的主体部分处于图像的中间;
步骤S101,对获得的图像进行灰度处理,获得各图像的灰度图,从而得到主体各个角度图像的深浅不同的颜色块;
步骤S102,通过反复训练,获得针对各个不同主体的各个角度图像中的有显著规律的深浅色块组合,进而得到每个主体各个角度的对应的训练集模型。
4.如权利要求3所述的一种图像边缘识别方法,其特征在于,步骤S102进一步包括:
步骤S102a,从图像的中心点开始,逐步向边缘扩散进行查找,查找出该图像中主体各部分对应的深浅色块组合是整体连接的区域,得到主体各部分对应的深浅色块组合组成的连接网;
步骤S102b,对多张不同的同类主体的图像得到的多个连接网进行分析比较,通过反复训练查找出其中深浅色块组合区域组成的连接网中稳定的特征点进行保留并存储,得到该类主体对应角度的模型;
步骤S102c,根据步骤S102a与步骤S102b,通过反复训练得到每一种主体的每个角度的学习训练集模型。
5.如权利要求3所述的一种图像边缘识别方法,其特征在于:于步骤S100中,通过拍摄设备获得各种主体的多个不同角度的图像,并对获得的图像进行裁切或者拍摄时使得主体部分处于图像的中间。
6.如权利要求3所述的一种图像边缘识别方法,其特征在于:于步骤S101中,所述灰度处理可采用如下灰度处理加权平均法公式:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
其中,i、j代表一个像素点在二维空间向量的位置,即第i行,第j列。
7.一种图像边缘识别系统,包括:
训练集模型建立单元,用于获取各种主体多个不同角度的图像,通过反复训练,查找出针对各个不同主体的各个角度图像中的有显著规律的深浅色块组合,得到每个主体各个角度对应的训练集模型;
待进行边缘识别图像获取处理单元,用于获取待进行边缘识别的图像,并对其进行灰度处理;
角度确定单元,用于提取待进行边缘识别的图像的特征点,获得待进行边缘识别的图像中有显著规律的深浅色块组合,比对训练集模型,判断待进行边缘识别的图像中包含的主体的正侧面角度;
边缘识别单元,用于根据待进行边缘识别的图像中主体的角度,比对训练集模型中对应主体角度的训练集模型,实现边缘识别。
8.如权利要求7所述的一种图像边缘识别系统,其特征在于:所述边缘识别单元根据比对结果,从所述待进行边缘识别的图像中主体部分的中心开始向边缘扩散,依次查找出具有显著特征的、互相连接的主体物各部分图像对应的深浅色块组合区域,建立连接网,最后根据连接网网状结构最外层区块的边缘并集,得到所述待进行边缘识别的图像中包含的整个主体物的边缘。
9.如权利要求8所述的一种图像边缘识别系统,其特征在于,所述训练集模型建立单元进一步包括:
图像获取单元,用于获取各种主体多个不同角度的图像,并使得图像中的主体部分处于图像的中间;
灰度处理单元,用于对获得的图像进行灰度处理,获得各图像的灰度图,从而得到主体各个角度图像的深浅不同的颜色块;
训练集模型训练获取单元,用于通过反复训练,获得针对各个不同主体的各个角度图像中的有显著规律的深浅色块组合,进而得到每个主体各个角度的对应的训练集模型。
10.如权利要求9所述的一种图像边缘识别系统,其特征在于,所述训练集模型训练获取单元具体用于:
从图像的中心点开始,逐步向边缘扩散进行查找,查找出该图像中主体各部分对应的深浅色块组合是整体连接的区域,得到主体各部分对应的深浅色块组合组成的连接网;
对多张不同的同类主体的图像得到的多个连接网进行分析比较,通过反复训练查找出其中深浅色块组合区域组成的连接网中稳定的特征点进行保留并存储,得到该主体对应角度的模型;
根据上述方法,通过反复训练得到每一种主体的每个角度的学习训练集模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811471131.2A CN109598737B (zh) | 2018-12-04 | 2018-12-04 | 一种图像边缘识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811471131.2A CN109598737B (zh) | 2018-12-04 | 2018-12-04 | 一种图像边缘识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109598737A true CN109598737A (zh) | 2019-04-09 |
CN109598737B CN109598737B (zh) | 2021-01-12 |
Family
ID=65960674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811471131.2A Active CN109598737B (zh) | 2018-12-04 | 2018-12-04 | 一种图像边缘识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109598737B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228606A (zh) * | 2023-05-09 | 2023-06-06 | 南京茂聚智能科技有限公司 | 一种基于大数据的图像优化处理系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630363A (zh) * | 2009-07-13 | 2010-01-20 | 中国船舶重工集团公司第七○九研究所 | 复杂背景下彩色图像人脸的快速检测方法 |
US20110181588A1 (en) * | 2008-09-25 | 2011-07-28 | Koninklijke Philips Electronics, N.V | Three dimensional image data processing |
US20120013769A1 (en) * | 2010-07-13 | 2012-01-19 | Canon Kabushiki Kaisha | Luminance signal generation apparatus, luminance signal generation method, image pickup apparatus, and storage medium |
CN102622604A (zh) * | 2012-02-14 | 2012-08-01 | 西安电子科技大学 | 一种基于可变形部件加权的多角度人脸检测方法 |
US20140003711A1 (en) * | 2012-06-29 | 2014-01-02 | Hong Kong Applied Science And Technology Research Institute Co. Ltd. | Foreground extraction and depth initialization for multi-view baseline images |
CN104217446A (zh) * | 2014-08-19 | 2014-12-17 | 长春理工大学 | 一种基于边缘检测的彩色结构光解码方法 |
CN105550637A (zh) * | 2015-12-04 | 2016-05-04 | 小米科技有限责任公司 | 轮廓点定位方法及装置 |
CN106203400A (zh) * | 2016-07-29 | 2016-12-07 | 广州国信达计算机网络通讯有限公司 | 一种人脸识别方法及装置 |
CN106295656A (zh) * | 2016-08-03 | 2017-01-04 | 徐庆 | 基于图像色块内容的图像轮廓特征提取方法和装置 |
CN106384087A (zh) * | 2016-09-05 | 2017-02-08 | 大连理工大学 | 一种基于多层网络人体特征的身份识别方法 |
CN107464245A (zh) * | 2017-06-29 | 2017-12-12 | 北京捷通华声科技股份有限公司 | 一种图像结构边缘的定位方法及装置 |
-
2018
- 2018-12-04 CN CN201811471131.2A patent/CN109598737B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110181588A1 (en) * | 2008-09-25 | 2011-07-28 | Koninklijke Philips Electronics, N.V | Three dimensional image data processing |
CN101630363A (zh) * | 2009-07-13 | 2010-01-20 | 中国船舶重工集团公司第七○九研究所 | 复杂背景下彩色图像人脸的快速检测方法 |
US20120013769A1 (en) * | 2010-07-13 | 2012-01-19 | Canon Kabushiki Kaisha | Luminance signal generation apparatus, luminance signal generation method, image pickup apparatus, and storage medium |
CN102622604A (zh) * | 2012-02-14 | 2012-08-01 | 西安电子科技大学 | 一种基于可变形部件加权的多角度人脸检测方法 |
US20140003711A1 (en) * | 2012-06-29 | 2014-01-02 | Hong Kong Applied Science And Technology Research Institute Co. Ltd. | Foreground extraction and depth initialization for multi-view baseline images |
CN104217446A (zh) * | 2014-08-19 | 2014-12-17 | 长春理工大学 | 一种基于边缘检测的彩色结构光解码方法 |
CN105550637A (zh) * | 2015-12-04 | 2016-05-04 | 小米科技有限责任公司 | 轮廓点定位方法及装置 |
CN106203400A (zh) * | 2016-07-29 | 2016-12-07 | 广州国信达计算机网络通讯有限公司 | 一种人脸识别方法及装置 |
CN106295656A (zh) * | 2016-08-03 | 2017-01-04 | 徐庆 | 基于图像色块内容的图像轮廓特征提取方法和装置 |
CN106384087A (zh) * | 2016-09-05 | 2017-02-08 | 大连理工大学 | 一种基于多层网络人体特征的身份识别方法 |
CN107464245A (zh) * | 2017-06-29 | 2017-12-12 | 北京捷通华声科技股份有限公司 | 一种图像结构边缘的定位方法及装置 |
Non-Patent Citations (2)
Title |
---|
J.VAN DE WEIJER ET.AL: "Color constancy based on the Grey-edge hypothesis", 《IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING 2005》 * |
徐华青: "交通标志检测识别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228606A (zh) * | 2023-05-09 | 2023-06-06 | 南京茂聚智能科技有限公司 | 一种基于大数据的图像优化处理系统 |
CN116228606B (zh) * | 2023-05-09 | 2023-07-28 | 南京茂聚智能科技有限公司 | 一种基于大数据的图像优化处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109598737B (zh) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734138B (zh) | 一种基于集成学习的黑色素瘤皮肤病图像分类方法 | |
CN109101865A (zh) | 一种基于深度学习的行人重识别方法 | |
US20070258627A1 (en) | Face recognition system and method | |
CN107330371A (zh) | 3d脸部模型的脸部表情的获取方法、装置和存储装置 | |
JP4597391B2 (ja) | 顔領域検出装置およびその方法並びにコンピュータ読み取り可能な記録媒体 | |
CN106204779A (zh) | 基于多人脸数据采集策略和深度学习的课堂考勤方法 | |
CN104200200B (zh) | 融合深度信息和灰度信息实现步态识别的系统及方法 | |
CN103914699A (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
KR20170006355A (ko) | 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치 | |
WO2012078114A1 (en) | Method and an apparatus for determining vein patterns from a colour image | |
CN108446690B (zh) | 一种基于多视角动态特征的人脸活体检测方法 | |
CN108470178B (zh) | 一种结合深度可信度评价因子的深度图显著性检测方法 | |
Karaman et al. | Human daily activities indexing in videos from wearable cameras for monitoring of patients with dementia diseases | |
CN113762009B (zh) | 一种基于多尺度特征融合及双注意力机制的人群计数方法 | |
CN106650606A (zh) | 人脸图像的匹配及处理方法、人脸图像模型构建系统 | |
CN109359577A (zh) | 一种基于机器学习的复杂背景下人数检测系统 | |
Monwar et al. | Pain recognition using artificial neural network | |
CN109522865A (zh) | 一种基于深度神经网络的特征加权融合人脸识别方法 | |
CN109165551B (zh) | 一种自适应加权融合显著性结构张量和lbp特征的表情识别方法 | |
CN105844605B (zh) | 基于自适应表示的人脸画像合成方法 | |
CN107392953A (zh) | 基于等高线的深度图像识别方法 | |
Peng et al. | Presentation attack detection based on two-stream vision transformers with self-attention fusion | |
CN109598737A (zh) | 一种图像边缘识别方法及系统 | |
CN108446639A (zh) | 低功耗增强现实设备 | |
Manjula et al. | Face detection identification and tracking by PRDIT algorithm using image database for crime investigation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |